新冠疫情爆發三年來，我們了解了一些事情（並且我們還了解到還有很多我們不知道的事情）。有效追蹤和預測傳染病的數據挑戰是巨大的，但並非不可克服。在其他影響健康的決策時，我們需要考慮更多的數據，但是從組學數據（例如基因組學、蛋白質組學）中可以得到哪些有用的信息呢？
我們很榮幸能有屢獲殊榮、世界知名的統計學家父子博士。 Robert 和 Ryan Tibshirani 利用他們創新的解決問題的技能在這些領域取得了長足的進步。我們感謝他們在 2022 年最後一期《從統計學角度講》節目中分享了更多關於他們目前的研究興趣。
他們兩人都因貢獻強大的新統計方法以及在生物學、醫學和公共衛生等許多領域的工作而獲得了許多讚譽。加州大學柏克萊分校統計學教授 Ryan Tibshirani 最近獲得了 2022 年莫蒂默·斯皮格爾曼獎，該獎項頒發給對統計方法及其在公共衛生領域的應用做出傑出貢獻的衛生統計學家。
史丹佛大學生物醫學數據科學與統計學教授 Rob Tibshirani 獲得許多獎項，最近的一次是國際統計學會頒發的統計學創始人當代研究貢獻獎，以表彰他在 1996 年發表的關於 LASSO 的論文，該論文被認為是統計學和數據科學的基石。
他們的演講引發了幾個問題，其中一些問題在問答環節沒有得到解答，但 Rob 很友好地在這裡提供了答案。
Lasso 是否受到了應用數學等其他學科的啟發，還是只是嶺回歸之後的下一步？它的變數選擇屬性是否令人驚訝，或者您是先看到幾何形狀，然後再將其用於變數選擇的？
Rob：套索的想法直接源自於 Leo Breiman 1995 年關於「Garote」的論文。 （Leo 是裝袋和隨機森林的發明者；他是我的英雄之一。）他提出計算最小二乘估計值，然後透過有界限的非負常數將其縮小。這對於 p>n（預測變數多於觀測值的情況）不起作用，所以我只是消除了中間人（LS）。
觀察資料分析中的因果關係又如何呢？人們常常將因果解釋歸因於變數選擇練習的結果。是否有原則性的方法可以使用 Lasso 來做出因果陳述？
Rob：關於因果推理和 Lasso。整體來說很難做到。但是對於觀察性（非隨機）數據，您可以使用傾向分數來估計因果治療效應，並透過套索模型對混雜變數進行建模：
參見異質性處理效應的準預言估計值-R 估計值—X。 Nie, S. Wager，Biometrika 2021。
全面披露－第二作者是我的女婿！ ！但這確實是個好主意，而且我已經運用過了。
Rob 的演講還包括他與他的研究生Daisy Ding一起製作的精彩動畫。
